随机数生成器 - 在线自定义范围随机数

默认使用JavaScript内置的Math.random()函数，它生成[0,1)之间的伪随机浮点数，然后根据您设置的范围、小数位数进行线性映射。您也可以在高级选项中启用"加密安全随机数"，此时将使用window.crypto.getRandomValues() API，生成密码学级别的随机数，适合抽奖、密码生成等对随机性要求较高的场景。

伪随机数(PRNG)：由确定性算法生成，如果知道初始种子和算法，理论上可以预测。速度快，适合模拟、游戏等场景。JavaScript的Math.random()属于此类。
真随机数(TRNG)：来源于物理过程（如热噪声、放射性衰变等），完全不可预测。crypto.getRandomValues()从操作系统熵池获取随机性，更接近真随机。

启用"不允许重复"后，生成器会维护一个已生成数字的集合。每生成一个新数字，都会检查是否已存在，若重复则重新生成。需要注意的是，如果去重+排除数字后，可用数字总数少于您请求的生成数量，系统会自动调整生成数量并给出提示。例如范围1-10且去重时，最多只能生成10个不重复的整数。

标准模式下使用Math.random()无法设置种子，每次结果都不同。如果您需要可复现的随机序列（如科学实验、游戏地图生成），建议使用支持种子的随机数库（如seedrandom.js）。本工具主要面向日常使用场景，每次生成都是独立的。

是的。Math.random()和crypto.getRandomValues()都经过精心设计，在统计上具有均匀分布特性。这意味着在大样本下，范围内的每个数字出现的概率基本相等。如果您生成足够多的随机数（如10000个），会发现各数字的频率趋于一致。这一特性使随机数广泛用于蒙特卡洛模拟、统计抽样等领域。

蒙特卡洛方法是一种基于随机采样的数值计算方法。通过大量生成随机数来模拟复杂系统的行为，从而估计难以解析求解的问题（如积分、优化、概率分布等）。例如，估算圆周率π可以通过在正方形内随机撒点，统计落在内切圆中的比例来实现。高质量的随机数生成器是蒙特卡洛方法的基础。

Python: import random; random.randint(1, 100)
Java: ThreadLocalRandom.current().nextInt(1, 101)
C#: Random.Shared.Next(1, 101)
Go: rand.Intn(100) + 1
各语言默认也都是伪随机数生成器，需要加密级随机数时请使用对应的安全API。

如果您启用了"不允许重复"选项，系统会自动跳过重复值。如果未启用去重，出现重复是正常的概率现象——这恰恰证明了随机性。例如在1-100范围内生成10个随机数，出现至少一个重复的概率约为37%。如果您需要完全无重复的结果，请确保开启去重开关。